promise学习总结

什么是Promise

Promise是异步编程的一种解决方案,它有三种状态,分别是pending-进行中resolved-已完成rejected-已失败

当Promise的状态又pending转变为resolved或rejected时,会执行相应的方法,并且状态一旦改变,就无法再次改变状态,这也是它名字promise-承诺的由来

 

直接上案例了,在案例中理解:

最简单的promise

new Promise(resolve =>{
  setTimeout(()=>{
    resolve('hello')
  },2000);
}).then(value=>{
  console.log(value + 'world');
})
 
分两次,顺序执行
console.log('start');
new Promise(resolve => {
  setTimeout(() => {
    resolve('hello');
  }, 2000);
})
  .then(value => {
    console.log(value);
    return new Promise(resolve => {
      setTimeout(() => {
        resolve('world');
      }, 2000)
    });
  })
  .then(value => {
    console.log(value + ' world');
  });

  // 结果
    // start
    // hello (2s)
   // worldworld (4s)
 
假如一个promise已经完成,再.then()会怎样
console.log('start');

let promise = new Promise(resolve=>{
  setTimeout(()=>{
    console.log('this promise fullfilled');
    resolve('hello,world')
  },2000);
});

setTimeout(()=>{
  promise.then(value=>{
    console.log(value);
  })
},4000)

// 结果
  // start
  // this promise fullfilled  (2s)
  // hello,world    (4s)

  //在任何地方生成一个promise后,可以存为一个变量,不管该promise有完成,都会依次根据队列执行

 

假如在 .then() 的函数里面不返回新的 Promise, 会怎样?
console.log('start');
new Promise(resolve => {
  setTimeout(() => {
    resolve('hello')
  }, 2000);
})
  .then(value => {
    console.log(value);
    (function () {
      return new Promise(resolve => {
        setTimeout(() => {
          console.log('第二个promise');
          resolve('Merry')
        }, 2000);
      })
    }());
    return false;
  })
  .then(value => {
    console.log(value + 'world');
  })


  // 结果
    // start 
    // hello  (2s)
    // falseworld (2s)
    // 第二个promise (4s)

      //.then() 的函数里面不返回新的 Promise,会默认执行下一个环节,即使你直接返回了false,也会执行

  // 备注
    // 匿名函数,(function(){})();立即执行,主要利用函数内的变量作用域,避免产生全局变量,影响整体页面环境,增加代码的兼容性。

 

.then()接受两个函数作为参数,分别代表fulfilled和rejected
.then()返回一个新的promise实例,所以它可以链式调用
状态相应函数可以返回新的promise或其他值,如果返回新的Promise,那么下一级.then()会在新的Promise状态改变后执行
!!如果返回其他任何值,则会立即执行下一级.then()

.then()里面有.then()的情况
会等里面的.then()执行完,再执行外面的。最好不要这样写,依次展开效果一样
new Promise(resolve => {
  console.log('start');
  setTimeout(() => {
    console.log('1');
    resolve('1');
  }, 1000)
})
  .then(value => {
    return new Promise(resolve => {
      setTimeout(() => {
        console.log('1-1');
        resolve('1-1');
      }, 1000)
    })
      .then(value => {
        console.log('1-2');
        return value;
      })
      .then(value => {
        console.log('1-3');
        return value;
      })
  })
  .then(value => {
    console.log('2');
  })

/*
  结果:
    start
    1
    1-1
    1-2
    1-3
    2
*/

 

错误处理两种做法:
Promise会自动捕获内部异常,并交给rejected响应函数处理
1.reject('错误信息').then(null,message=>{})
2.throw new Error('错误信息').catch(message=>{})
推荐时候用第二种,更加清晰,并且可以捕获前面的错误
console.log('go');
new Promise((resolve,reject)=>{
  setTimeout(()=>{
    reject('bye')
    // throw new Error('bye');
  },1000)
})
  .then(value=>{
    console.log(value+'world');
  })
  .catch(error=>{
    console.log('error:',error);
  })

  // go
  // error: bye

 

.catch() + .then()连用
 .catch()也会返回一个promise实例
 建议在所有队列后面都加上.catch()
console.log('go');
new Promise(resolve=>{
  setTimeout(() => {
    resolve('');
  }, 1000);
})
  .then(()=>{
    console.log('start')
    throw new Error('test error');   
  })
  .catch((err)=>{
    console.log('I catch:'+ err);
    
    // 下面一行代码的注释讲引发不同的走向
    throw new Error('another error');  
  })
  .then(()=>{
    console.log('arrive here');
  })
  .then(()=>{
    console.log('and here');
  })
  .catch((err)=>{
    console.log('I catch:'+ err);
  })

/*
  结果一:
    go
    start
    I catch:Error: test error
    arrive here
    and here
  结果二:
    go
    start
    I catch:Error: test error
    I catch:Error: another error

*/ 

 

Promise.all([p1,p2,p3,...]); 批量同时执行多个promise实例,包装成一个新的promise实例,返回的是所有promise结果组成的数组
console.log('go');
Promise.all([1,2,3])
.then(all=>{
  console.log('1:',all);
  return Promise.all([function(){
    console.log('ooxx');
  },'xxoo',false])
})
.then(all =>{
  console.log('2:',all);
  let p1 = new Promise(resolve=>{
    setTimeout(() => {
      resolve('I`m P1');
    }, 1000);
  });
  let p2 = new Promise(resolve=>{
    setTimeout(() => {
      resolve('I`m P2');
    }, 3000);
  });
  return Promise.all([p1,p2]);
})
.then(all =>{
  console.log('3:',all);
  let p1 = new Promise(resolve=>{
    setTimeout(() => {
      resolve('I`m P1');
    }, 1000);
  });
  let p2 = new Promise((resolve,reject)=>{
    setTimeout(() => {
      reject('I`m P2');
    }, 1000);
  });
  let p3 = new Promise((resolve,reject)=>{
    setTimeout(() => {
      reject('I`m P3');
    }, 1500);
  });
  return Promise.all([p1,p2,p3]);
})
.then(all=>{
  console.log('all:',all);
})
.catch(err=>{
  console.log('catch',err);
  
})

/*
  结果:
  go 
  1: [ 1, 2, 3 ] 
  2: [ [Function], 'xxoo', false ]
  3: [ 'I`m P1', 'I`m P2' ]   
  catch I`m P2
*/ 

 

 

 

 

 

 

 

 

 

 

 

 

 

转载于:https://www.cnblogs.com/LChenglong/p/9478804.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值